CONSIDERAÇÕES TEÓRICAS EM REDES NEURAIS ARTIFICIAIS

Transcrição

1 4 CONSIDERAÇÕES TEÓRICAS EM REDES NEURAIS ARTIFICIAIS INTRODUÇÃO Inteligência computacional (IC) poderia ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações, em um sistema computadorizado, que emula algumas das habilidades cognitivas do homem (Allard e Fuchs [02]). A IC abrange o conhecimento de diversas ciências, tais como, Ciência da Computação, Linguística, Matemática, Neurofisiologia, Psicologia, que conjuntamente, objetivam o desenvolvimento de computadores e programas capazes de imitar e/ou entender aspectos do pensamento humano. Estes autores comentam ainda que técnicas de alocação dinâmica de memória e o paradigma da programação orientada à objetos, tiveram suas origens no campo da IC. Os sistemas baseado em regras do conhecimento, sistemas especialistas e as redes neurais, foram concebidos e têm sido largamente utilizados na solução de problemas complexos, onde os algoritmos e técnicas tradicionais são inadequados. Sob o prisma da análise espacial, McKeown [82] baseando-se nas limitações dos SIGs tradicionais em executar consultas complexas apresentou uma discussão relacionada com a utilização de técnicas de inteligência computacional e com uma maior utilização de dados de sensoriamento remoto em futuros projetos de SIGs. Nestes novos sistemas, o conceito de SIG deve ser ampliado para incluir imagens de sensoriamento remoto e possuir ferramentas para tratamento (análise e interpretação) destas imagens, que devem ser usadas para atualização da base de dados georreferenciada. Além disso, enfatizou que algumas sub-áreas da inteligência

2 Considerações Teóricas em Redes Neurais Artificiais 69 computacional, tais como, representação e utilização do conhecimento, aquisição do conhecimento e visão por computador, atingiram um estágio de maturidade tal que poderão dar um impulso na representação de bases de dados inteligentes e nos sistemas de classificação de uso da terra, que utilizam imagens de sensoriamento remoto. Dentre os diversos ramos da pesquisa que buscam a representação do conhecimento inspirados na organização física do cérebro humano, suas potencialidades e limitações, situa-se o Conexionismo SISTEMAS CONEXIONISTAS O Conexionismo denota uma forma particular de processamento da informação, sendo já há algum tempo, uma área de pesquisa que envolve indistintamente várias disciplinas do conhecimento. Os sistemas conexionistas são modelos computacionais inspirados na estrutura e funcionamento do cérebro humano e caracterizam-se pela reunião de uma grande quantidade de células (elementos ou unidades) de processamento interligadas por um grande número de conexões (links), que processam a informação de forma paralela. Este tipo de processamento da informação é também chamado de processamento paralelo distribuído (PPD), ou sistemas neuronais, ou ainda, redes neurais, em alusão à tentativa de imitação das células cerebrais, suas características básicas e organização. Contudo, conforme citam diversos autores a denominação mais adequada seria redes neurais artificiais (RNA), pois, o conhecimento do funcionamento do cérebro, bem como dos neurônios ainda é bastante incompleto, portanto, tais modelos computacionais nada mais são que grosseiras imitações parciais das redes de neurônios do cérebro ASPECTOS BÁSICOS DA ORGANIZAÇÃO E ESTRUTURA DO CÉREBRO O cérebro humano organiza-se em diferentes regiões, cada uma responsável por diferentes funções. As maiores partes são os hemisférios cerebrais que ocupam a maior parte do crânio. Tais hemisférios são organizados em camadas, sendo a camada mais externa, o córtex cerebral, a mais complexa, na qual as células nervosas estão extremamente adensadas permitindo uma grande interconectividade. As funções do córtex cerebral não são ainda bem conhecidas, mas, há indicadores que esta região parece ser o local onde se concentram as principais funções do cérebro e o núcleo da inteligência (Beale e Jackson [09]; Freeman e Skapura [48]).

3 Considerações Teóricas em Redes Neurais Artificiais 70 O neurônio que é a unidade básica do cérebro, isoladamente pode ser considerado análogo a uma unidade de processamento, aceita e combina estímulos de vários outros neurônios (muitas entradas), porém possui somente uma saída, como ilustra a Figura 4.1. A intensidade dos estímulos que o neurônio recebe em suas entradas, denominadas dendritos, depende da proximidade física destas entradas com a saída, denominada axônio, de cada um dos neurônios que mandaram-lhe os estímulos. O soma, ou corpo do neurônio é capaz de funções mais complexas do que uma simples adição dos estímulos que recebeu pelos dendritos, porém considera-se um somatório simples como uma aproximação bem razoável. O axônio sempre aparece na saída do soma e pode ser considerado um dispositivo não-linear de disparo, que produz um pulso elétrico toda vez que o somatório dos sinais dentro do soma atinge um certo limiar crítico (Beale e Jackson [09]; Freeman e Skapura [48]). Figura 4.1. Representação simplificada de um neurônio (Adaptado de Beale e Jackson [09]). O axônio termina num tipo de contato chamado sinapse, ilustrado na Figura 4.2, que conecta-o com o dendrito de outro soma. Esta conexão não é uma ligação direta, trata-se de uma junção química temporária. A sinapse libera substâncias químicas, chamadas de neurotransmissores, em função do pulso elétrico disparado pelo axônio, sendo que podem ser necessários vários disparos antes que a sinapse libere os neurotransmissores, que por sua vez, fluem através da fenda e das entradas quimicamente ativas dos dendritos (neuroreceptores), que quando abertos, permitem o fluxo de ions que alteram a carga elétrica dos dendritos, criando uma diferença de potencial, que é conduzida ao próximo soma (corpo do neurônio), e assim sucessivamente. O número de entradas abertas no dendrito vai depender da quantidade de

4 Considerações Teóricas em Redes Neurais Artificiais 71 neurotransmissores liberados, como também, cada dendrito pode receber estímulos de várias outras sinapses, permitindo que uma maciça interconectividade seja estabelecida. O fluxo de ions das sinapses sobre os dendritos pode ser excitatório ou inibitório, o que corresponde a uma alteração do potencial local do dendrito positiva ou negativamente (Beale e Jackson [09]; Freeman e Skapura [48]). Figura 4.2. Representação simplificada de uma sinapse (Adaptado de Beale e Jackson [09]). O processo de aprendizado ocorre quando acontecem sucessivas e efetivas modificações nas sinapses que interconectam os neurônios, em função da maior ou menor liberação de neurotransmissores. A medida que novos eventos são apresentados determinadas ligações entre os neurônios são reforçadas enquanto outras enfraquecidas. Este ajustamento que se processa nas ligações entre os neurônios durante o processo de aprendizado é uma das mais importantes características das redes neurais artificiais A REDE NEURAL ARTIFICIAL Neurologistas, juntamente com pesquisadores de outras áreas, tais como a eletrônica, automação, biofísica, matemática, desejavam produzir um modelo que descrevesse a rede neural biológica. Por volta de 1943, Mac-Culloch e Pitts apresentaram um modelo básico de neurônio, que era ao mesmo tempo simples e poderoso. Suas pesquisas foram fundamentadas em 5 premissas básicas: 1- a atividade de um neurônio é um processo tudo-ou-nada; 2- um certo número fixo de sinapses (>1) precisa ser excitado dentro de um período latente adicionado para o neurônio ser excitado e disparar; 3- o único atraso significante dentro do sistema nervoso é o

5 Considerações Teóricas em Redes Neurais Artificiais 72 atraso sináptico; 4- a atividade de qualquer sinapse inibitória impede a excitacão do neurônio naquele momento; 5- a estrutura de interconexão da rede não muda com o tempo. As pesquisas de Mac-Culloch e Pitts foram muito importantes porque eles foram os primeiros pesquisadores a tratar o cérebro como um organismo computacional (Freeman e Skapura [48]). Mais detalhes sobre o desenvolvimento das RNAs, desde Mac-Culloch e Pitts até os dias de hoje, podem ser obtidos em Openshaw e Openshaw [94]. O neurônio artificial ou elemento de processamento, ou ainda, unidade de processamento denota um simples dispositivo capaz de calcular o somatório de N entradas ponderadas, cujo resultado passa através de uma função não-linear. Basicamente, este dispositivo é caracterizado por um offset ou limiar interno e por algum tipo de função não-linear, como mostra a Figura 4.3. A saída y do dispositivo é função do somatório das entradas x 0, x 1... x N 1, ponderadas pelos pesos w 0, w 1... w N 1 menos o offset θ. Figura 4.3. Elemento de processamento e tipos de funções mais comuns (Adaptado de Lippmann [75]). Uma RNA é caracterizada por um arranjo de elementos de processamento similares àqueles da Figura 4.3, conforme pode ser visto na Figura 4.4.

6 Considerações Teóricas em Redes Neurais Artificiais 73 Figura 4.4. Estrutura de uma RNA do tipo multilayer feedfoward (Adaptado de Hewitson e Crane [60]). A RNA da Figura 4.4 pode ser descrita como uma rede de três camadas totalmente conectadas, perfazendo (3x3)+(3x1)=12 conexões e contendo: uma camada de entrada com três elementos de processamento; uma camada oculta, também com três elementos de processamento; e uma camada de saída, com 1 elemento de processamento. Resumindo, as RNA podem ser categorizadas por sua topologia, isto é, pelo número de camadas, de elementos de processamento e de conexões; pelas características de seus elementos de processamento; e pelas leis de aprendizagem a que foram submetidas CLASSIFICAÇÃO DAS REDES NEURAIS ARTIFICIAIS Existem diversos tipos de RNA e diferentes maneiras de classificá-las. Talvez a mais importante seja quanto à forma de aprendizado que pode ser supervisionada e nãosupervisionada. No aprendizado supervisionado são sucessivamente apresentadas à rede conjuntos de padrões de entrada e seus correspondentes padrões de saída. Durante este processo, a rede realiza um ajustamento dos pesos das conexões entre os elementos de processamento, segundo uma determinada lei de aprendizagem, até que o erro entre os padrões de saída gerados pela rede alcancem um valor mínimo desejado. Por exemplo, perceptron, adaline e madaline, backpropagation (Hecht-Nielsen [59]; Freeman e Skapura [48]; Beale e Jackson [09]), são algumas dentre as dezenas de leis de aprendizagem supervisionada. Um outro tipo de aprendizagem similar à supervisionada é a aprendizagem por reforço. Neste tipo de aprendizagem, ao invés de fornecer as saídas corretas para a rede, relativo a cada treinamento individual, a rede recebe somente um

7 Considerações Teóricas em Redes Neurais Artificiais 74 valor que diz se a saída está correta ou não (Hecht-Nielsen [59]; Freeman e Skapura [48]; Beale e Jackson [09]). No aprendizado não-supervisionado a rede analisa os conjuntos de dados apresentados a ela, determina algumas propriedades dos conjunto de dados e aprende a refletir estas propriedades na sua saída. A rede utiliza padrões, regularidades e correlações para agrupar os conjuntos de dados em classes. As propriedades que a rede vai aprender sobre os dados pode variar em função do tipo de arquitetura utilizada e da lei de aprendizagem. Por exemplo, Mapa Auto-Organizavél de Kohonen, Redes de Hopfield e Memória Associativa Bidirecional, são algumas métodos de aprendizado não-supervisionado (Hecht-Nielsen [59]; Freeman e Skapura [48]; Beale e Jackson [09]). As redes também podem ser classificadas quanto à suas características, que pode ser contínua, discreta, determinística e estocástica, ou quanto à sua estrutura: a) redes de múltiplas camadas - multilayer feedforward network, cujo fluxo de dados segue uma única direção e; b) redes recursivas - recurrent network MODELAGEM EM REDES NEURAIS ARTIFICIAIS Para o desenvolvimento de um modelo ou projeto baseado em redes neurais artificiais são necessárias diversas etapas (Figura 4.5), descritas conforme Caudill [23]: definição do problema; coleta dos dados de treinamento e de teste; pré e pós-processamento dos dados; projeto da estrutura da rede; treinamento; teste e validação. Definição do Problema Coleta de Dados Treinamento e Teste Projeto da RNA Treinamento da RNA Teste / Validação da RNA Préprocessamento Pós- Processamento FIM Figura 4.5. Desenvolvimento de um projeto baseado em RNA. (Adaptado de Caudill [23]). Na elaboração do projeto da RNA ideal para solucionar um determinado problema, uma das tarefas mais difícieis é determinar o número de elementos de processamento da camada oculta, bem como o número de camadas ocultas. Não existem regras para isto, entretanto, estudos como o Teorema de Kolmogorov (Hecht-Nielsen [59]; Beale e Jackson [09]) demonstraram que uma única camada oculta é suficiente para representar qualquer função ou para resolver a maioria dos problemas de generalização.

8 Considerações Teóricas em Redes Neurais Artificiais 75 Todavia, não indicam o número de elementos de processamento que esta camada deve conter. Emaruchi et alii [43] sugere alguns procedimentos que podem orientar no projeto da RNA tais como: um maior número de elemento de processamento podem levá-la facilmente ao processo de memorização; quanto mais complexa a função de mapeamento maior deve ser a RNA; deve-se iniciar os experimentos com uma única camada oculta, se necessário, utilizar duas camadas ocultas; quanto maior for o conjunto de treinamento, maior deverá ser o número de elementos de processamento da RNA. A implementação de um modelo ou projeto que utilize as RNA poderá ser realizada de diversas formas. Caso o interessado possua bom conhecimento em desenvolvimento de software poderá desenvolver seu próprio código, específico para o problema. Caso contrário, poderá utilizar os pacotes de sistemas simuladores de redes neurais comerciais ou de domínio público. Também poderá projetar e construir um hardware utilizando chips de redes neurais disponíveis no mercado. Para atender ao objetivo deste trabalho, a solução adotada foi a utilização de simuladores de redes neurais, no caso, o Stuttgart Neural Net Simulator - SNNS (Zell et alii [128]). Este sistema, que oportunamente será apresentado e discutido, é sem dúvida alguma, o mais poderoso sistema para desenvolvimento de aplicações com redes neurais disponível na modalidade de domínio público. No âmbito da Geografia as RNA são empregadas em aplicações para modelagem, simulação, reconhecimento de padrões e séries temporais (Hewitson e Crane [60]; Openshaw e Openshaw [94]). As mais usadas, são as redes 9 multicamadas do tipo feedfoward que utilizam a lei de aprendizagem backpropagation (Hecht-Nielsen [59]; Freeman e Skapura [48]; Beale e Jackson [09]; Rich e Knight [97]) ou suas variações, tais como resilient backpropagation, quickpropagation e backpercolation (Zell et alii [128]). Também são muito utilizadas as redes do tipo SOM - Kohonen Self- Organizing Map, ou mapa auto-organizável de Kohonen (Hecht-Nielsen [59]; Freeman e Skapura 9 Em textos sobre sistemas conexionistas na língua portuguêsa, como por exemplo em Rich e Knight [97], são encontradas traduções para os termos feedfoward, alimentação para frente e backpropagation, retropropagação. Contudo, neste trabalho serão mantidos os termos originais.

9 Considerações Teóricas em Redes Neurais Artificiais 76 [48]; Beale e Jackson [09]; Zell et alii [128]) em aplicações que envolvem o reconhecimento de padrões tais como a classificação não-supervisionada de imagens de sensoriamento remoto. No contexto do presente trabalho e com base nos estudos realizados, pode-se afirmar que os tipos de redes neurais mais adequadas são as redes multicamadas do tipo feedfoward com metódo de aprendizagem supervisionado. Como a maioria das aplicações utilizam o algoritmo de backpropagation ou suas variantes para treinamento destas redes, é conveniente mostrá-lo, ainda que, de maneira simplificada. Pode-se dizer que o algoritmo de backpropagation é uma generalização do algoritmo do método dos quadrados mínimos, que utiliza técnicas de gradiente descendente interativo para minimizar uma função de custo igual a diferença média quadrada entre a saída desejada e a saída real da RNA. Para esclarecer um pouco mais sobre este processo de treinamento, utilizar-se-á a rede neural de 4 camadas apresentada na Figura 4.6. Esta rede utiliza N valores contínuos como as suas entradas, M valores como suas saídas e duas camadas de unidades ocultas. A função não-linear de cada unidade de processamento pode ser considerada qualquer uma daquelas mostradas na Figura 4.3 e a regra de decisão escolhida e: selecione classe correspondente ao elemento de processamento com a maior saída. Nas fórmulas, x, x correspondem as saídas dos elementos de processamento da primeira e segunda j k camada oculta; θ, θ,,, e θ l i k são os offsets internos dos elementos de processamento das camadas ocultas e de saída, w ij denota os pesos das conexões entre a camada de entrada e a, primeira camada oculta, w ij e w,, ij refere-se aos pesos entre as duas camadas ocultas e aos pesos entre a última camada oculta e a camada de saída.

10 Considerações Teóricas em Redes Neurais Artificiais 77 Figura 4.6. RNA de 4 camadas e fórmulas de ajuste de pesos (Adaptado de Lippmann [75]). No processo de treinamento, inicialmente os elementos de processamento da RNA são inicializados aleatoriamente com diferentes limiares internos e, as conexões entre eles com pequenos pesos (são comuns valores entre -1.0<w<1.0, onde w denota o peso de uma conexão qualquer). Em seguida, os dados de treinamento são apresentados à RNA repetidamente e a cada ciclo de treinamento os pesos são ajustados através de uma informação complementar que indica a correta classe de saída, até que a função de custo seja reduzida a um valor aceitável. A parte principal do algoritmo de backpropagation é a maneira interativa pela qual os erros utilizados para adaptar os pesos são propagados para trás, isto é, a partir da camada de saída para as camadas anteriores. (Lippmann [75]). No processo de treinamento com algoritmo de backpropagation (retropropagação) são realizados os seguintes passos: 1- Ajustar todos o pesos e todos os offsets, ajuste todos o pesos e todos os offsets dos elementos de processamento com pequenos valores aleatórios. 2- Apresentar as Entradas e Saídas,

11 Considerações Teóricas em Redes Neurais Artificiais 78 apresente um vetor x 0, x 1... x N de valores contínuos e especifique o vetor d 0, d 1... d N de saída desejado; cada novo vetor de entrada de um conjunto de treinamento pode ser apresentado ciclicamente até os pesos se estabilizarem. 3- Calcular as saídas reais da rede, calcule as saídas y 0, y 1... y N, utilizando as fórmulas da Figura Adaptar os pesos, use um algoritmo recurssivo iniciando nos elementos de processamento de saída, trabalhando para trás no sentido da primeira camada, ajustando os pesos através da fórmula w, ij( t 1) = wij ( t) + ηδ j xi +, onde w ij é o peso do elemento de, processamento oculto j no tempo t; x i pode ser tanto um elemento de processamento de saída quanto um de entrada; η denota um termo de ganho (velocidade da aprendizagem) e; δ j um termo de erro para o elemento de processamento j; se j for = y ( 1 y )( d y ), onde d j um elemento de saída então δ j j j j j denota a saída desejada e y j é a saída real da rede; se o elemento j for um elemento oculto então,, δ ( 1 ) δ, onde k denota todos os elementos acima = x x w jk j j j k k dos elementos j; os limiares delta dos elementos internos são ajustados de forma semelhante; a convergência algumas vezes pode ser mais rápida se um termo de momento for adicionado e os pesos alterados de forma mais, suave, pela equação: w ( t + 1) = w ( t ) + ηδ x + α ( w ( t ) w ( t 1)), onde 0< α< Repetir retornando para o passo 2. ij ij j i ij ij Uma demonstração mais detalhada do algoritmo de backpropagation pode ser vista em Rich e Knight [97]). Para finalizar esta exposição sobre os sistemas conexionistas é importante ressaltar as convicções de Openshaw [93] quando discorreu em seu trabalho sobre o tema, Em direção à Geografia Computacional. O referido autor não tem dúvidas quando afirma que a Geografia está agora, no meio de sua terceira revolução quantitativa, a revolução da neurocomputação. As

12 Considerações Teóricas em Redes Neurais Artificiais 79 outras duas foram: a revolução estatística no início dos anos 60; a modelagem matemática no início dos 70. Na Geografia, como em muitos outros ramos da ciência está havendo um rápido e crescente interesse na aplicação de métodos neurocomputacionais, que por sua vez, são novas ferramentas que podem vir a complementar os métodos existentes. Como na Geografia, muitos métodos de análise quantitativa e modelagem inserem-se na classe dos problemas complexos, a justificativa corrente é a promessa de uma melhora no desempenho e na eficiência, na diminuição das suposições críticas, na grande facilidade de tratamento de problemas complexos, na expansão da aplicabilidade dos métodos computacionais quantitativos e na automação. Enfaticamente, Openshaw (1991, 1992; apud [93]) afirma que:... A Geografia está hoje no início de sua maior e mais recente revolução que é a Geografia Computacional. A esperança é que no curso dos próximos 50 anos a Geografia interligará todas as suas sub-disciplinas em um processo de modelagem baseado numa estrutura cibernética, capaz de prover um entendimento racional e científico dos sistemas geográficos APLICAÇÕES Com base na discussão apresentada por McKeown [82] sobre as limitações dos SIG, nas afirmações de Openshaw [93] no que tange à Geografia Computacional e à neurocomputação, e na tecnologia emergente das expert networks (Caudill [23]), ou seja, sistemas híbridos que utilizam as vantagens das redes neurais artificiais e dos sistemas especialistas, optou-se por incluir também alguns exemplos de aplicações sobre os sistemas especialistas que é uma outra técnica do ramo da inteligência computacional. Smith et alii [113] descreveram a arquitetura e o funcionamento de um sistema de informações geográficas baseado no conhecimento (KBGIS-II, Knowledge-based geographical information system) que foi projetado para satisfazer várias premissas básicas para implementação de um SIG. O sistema possui quatro funções principais: consulta-resposta, aprendizado, edição e treinamento. A capacidade de aprendizado do sistema permite a inclusão de novas localizações de objetos espaciais complexos na base de dados "inteligente" quando as consultas são respondidas e a capacidade de aprender por indução às definições sobre novos objetos a partir de exemplos que também são inseridos na base de dados "inteligente". Cress e Deiter [32] apresentaram um projeto para automatizar a produção de mapas de geologia de engenharia em um GIS "inteligente" que utiliza a interface de sistema especialista "GoldWorks". Foi criado um conversor de sistema especialista que aceita a "GoldWorks" como

13 Considerações Teóricas em Redes Neurais Artificiais 80 entrada e produz um código FORTRAN como saída, que é utilizado para a geração dos mapas. A utilização destas duas ferramentas permitiram a produção rápida e eficiente dos mapas além de facilitar do desenvolvimento e a manutenção das regras de decisão necessárias para produção destes mapas. Mackay et alii [77] mostraram um sistema especialista (KBLIS - Knowledge-based Land Information Manager and Simulator) que permite o gerenciamento de simulações no espaçotempo dos processos ecológicos em modelos digitais de bacias hidrográficas. Demonstram ainda que uma base de dados orientada por objetos para uma bacia hidrogáfica pode ser facilmente estruturada como um modelo e ser utilizado para construir um sistema de consultas. O KBLIS inclui ainda módulos para modelos digitais de elevação e um sistema de informação que possibilita a seleção, deslocamento, navegação e consultas dos objetos dentro da bacia hidrográfica, sendo ainda um sistema de apoio para o gerenciamento de recursos em bacias geográficas com florestas em áreas montanhosas. Kontoes et alii [70] demonstraram um sistema especialista que vem sendo desenvolvido para integrar a informação geográfica contextual de um SIG em um sistema de análise de imagens de sensoriamento remoto. No experimento, mapas de solos e redes de estradas tem sido utilizados como níveis de informações adicionais na classificação de imagens SPOT tendo em vista a estimativa de área plantada com culturas agrícolas. Blonda et alii [17] discutiram a utilização de um sistema de classificação de imagens de satélite baseado em regras de decisão. A caracterização espectral das classes de cobertura do solo foi realizada com a utilização de regras de decisão baseadas no conhecimento de um especialista em agronomia e aplicados em um conjunto de imagens TM multitemporais. O sistema especialista consiste em um conjunto de regras que descrevem cada uma das classes de cobertura em cada data através da determinação de descritores linguísticos tais como baixo, muito baixo, alto ou qualquer outra combinação lógica, definida na interface com o usuário. Estes descritores linguísticos são tratados como funções componentes de conjuntos nebulosos definidos a partir de valores espectrais nas imagens. O estudo foi desenvolvido em uma área de relevo acidentado e 7 classes de cobertura foram classificadas. Foram comparadas classificações obtidas pelo sistema de classificação citado e por um classificador supervisionado de máxima verosimilhança. O classificador baseado em regras de decisão teve um melhor desempenho em áreas mais heterogêneas das imagens.

14 Considerações Teóricas em Redes Neurais Artificiais 81 Barbosa et alii [07] abordando o problema de monitoramento de desflorestamento da Amazônia, apresentaram um sistema de classificação que combina técnicas de segmentação e classificação de imagens, utilizando uma arquitetura de redes neurais sobre um classificador nebuloso. Este sistema de classificação apresentou numerosas vantagens, quando comparado com os sistemas tradicionais (pixel a pixel) de classificadores estatísticos, porque utilizaram informações complexas das imagens tais como parâmetros geométricos, texturais e contextuais. Yamamoto [124] utilizou RNA supervisionadas para construir modelos de avaliação em SIG, alternativamente às tradicionais ferramentas de análise e modelagem disponíveis nestes sistemas. As RNA foram utilizadas em duas aplicações: a) aplicando o Modelo de Adequação para Estabelecimento de Pastos Naturais (grasslands) para a Prefeitura de Tochigi no Japão, utilizado como entrada da RNA, dados de declividade, elevação, topografia e produtividade dos solos e como saída, dados de adequação, sendo que o melhor resultado (85,1% de exatidão) foi obtido por uma rede do tipo feedforward com 7 unidades de entrada, 11 unidades ocultas e 1 unidade de saída; b) aplicando a Estimativa do Grau e Extensão da Degradação do Solo no Nordeste da Síria, construindo duas RNAs (uma para determinação do grau de degradação e a outra para a extensão da degradação), utilizando como entrada das RNA dados de elevação, declividade, exposição das vertentes, tipos de solo, cobertura vegetal e uso, e como saídas, foram ulilizados o grau de degradação para a primeira RNA e a extensão de degradação para a segunda. Os mapas foram gerados com 86,4% de exatidão para o grau de degradação e 79,4% para a extensão da degradação. Como resultado final foi obtido um mapa de risco de degradação do solo produzido a partir do cruzamento entre os dois mapas gerados pelas RNA. Infelizmente, o autor não fornece detalhes sobre a lei de aprendizagem e nem sobre os parâmetros utilizados na supervisão, entretanto, afirma em sua conclusão que as RNA apresentam-se como sistemas úteis e flexíveis para serem utilizados em modelos de avaliação de terras e de planejamento regional implementados em SIG. Winter e Hewitson [126] utilizaram uma rede do tipo SOM (mapa auto-organizável de Kohonen) como um classificador neural para organizar dados demográficos obtidos das informações censitárias de 21 distritos na região de Western Cape na África do Sul. O objetivo do trabalho foi pesquisar agrupamentos de populações e sua distribuição espacial, segundo as seguintes variáveis demográficas (10) extraídas do censo: sexo, idade, raça branca, mestiça, asiática, negra, nível de educação, rendimentos, emprego/desemprego, estado civil. Concluiram que o classificador neural trabalhando de forma não-supervisionada e não-linear demonstrou habilidade em mostrar várias das estruturas sociais da população. A rede neural ao mesmo tempo

15 Considerações Teóricas em Redes Neurais Artificiais 82 que representa a generalização de um conjunto de dados altamente complexo também propicia um poderoso método de descrição dos dados sociais. Segundo os autores, um duplo desafio ainda permanece; um deles é produzir uma correta interpretação das características mais sutís e o mais importante é como usar a informação correta para promover o desenvolvimento da região. Venturieri [122] utilizou técnicas de segmentação de imagens e lógica nebulosa para treinamento de uma rede neural artificial (com aprendizagem do tipo backpropagation ) especializada na caracterização de classes de uso da terra na região de Tucuruí (PA). Utilizando índices de avaliação de desempenho do tipo erro médio quadrático (MSE), sensibilidade e especificidade, o autor verificou que mesmo as classes que normalmente tem problemas de classificação com os sistemas de classificação digital convencionais, obtiveram um desempenho satisfatório (redução do MSE) no decorrer do treinamento das redes neurais. Infelizmente neste trabalho não foram comparadas as classificações propriamente ditas, isto é, as técnicas isoseg e máxima verossimilhança com uma classificação obtida pelas redes neurais.